Quantum-basierte subgraphbasierte konvolutionale neuronale Netze

Diese Arbeit stellt eine neue Architektur für graphenbasierte konvolutionale neuronale Netze vor, die auf einer tiefenbasierenden Darstellung der Graphenstruktur beruht, die sich aus Quantenwanderungen ableitet. Wir bezeichnen diese neue Architektur als Quantenbasiertes Subgraph-Konvolutionsneuronales Netzwerk (QS-CNNs). Diese Architektur erfasst sowohl die globale topologische Struktur als auch die lokale Verbindungsstruktur innerhalb eines Graphen. Insbesondere leiten wir zunächst für jeden Knoten eines Graphen eine Familie von K-Schicht-Expansions-Subgraphen mittels Quantenwanderungen her, wodurch Informationen über die globale topologische Anordnung der darin enthaltenen Teilstrukturen erfasst werden. Anschließend entwerfen wir eine Reihe von fester Größe konzipierter Konvolutionsfilter über diesen Subgraphen, um mehrskalige Muster in den Daten zu charakterisieren. Der Ansatz besteht darin, Konvolutionsfilter über die gesamte Menge der an einem Knoten ausgerichteten Subgraphen gleiten zu lassen, um lokale Merkmale zu extrahieren, die analog zur herkömmlichen Konvolution auf gitterförmigen Daten sind. Experimente an acht graphenstrukturierten Datensätzen zeigen, dass die QS-CNNs-Architektur in der Lage ist, vierzehn aktuelle state-of-the-art-Methoden für die Aufgaben der Knotenklassifizierung und Graphklassifizierung zu überbieten.